نماذج اللغة الكبيرة تلتقي مع الرسوم البيانية للمعرفة للإجابة على الأسئلة: التوليف والفرص

أظهرت نماذج اللغة الكبيرة (LLMs) أداءً ملحوظًا في مهام الإجابة على الأسئلة (QA) بسبب قدراتها المتفوقة في فهم اللغة الطبيعية وتوليدها. ومع ذلك، تواجه نماذج LLM في الإجابة على الأسئلة صعوبات مع المهام المعقدة بسبب ضعف القدرة على الاستدلال، والمعرفة القديمة، والتخيلات. تناولت عدة أعمال حديثة توليف نماذج LLM مع الرسوم البيانية للمعرفة (KGs) للإجابة على الأسئلة لمعالجة هذه التحديات. في هذا البحث المسحي، نقترح تصنيفًا جديدًا منظمًا يصنف منهجية توليف LLMs و KGs للإجابة على الأسئلة وفقًا لأنواع الأسئلة ودور خريطة المعرفة عند التكامل مع LLMs. نُجري مسحًا منهجيًا لأحدث الطرق في توليف LLMs و KGs للإجابة على الأسئلة ونقارن ونحلل هذه الأساليب من حيث القوة، والقيود، ومتطلبات خريطة المعرفة. ثم نُحاذي الأساليب مع أنواع الأسئلة ونناقش كيف تعالج هذه الأساليب التحديات الرئيسية في مختلف الأسئلة المعقدة. أخيرًا، نلخص التطورات، ومعايير التقييم، ومجموعات البيانات القياسية ونبرز التحديات المفتوحة والفرص.